Machine Learning es un tipo de inteligencia artificial que es más precisa en sus predicciones. Podríamos decir que es la IA más actual e innovadora. En la entrada de hoy, vamos a hablar de qué es Machine Learning.
Inteligencia Artificial y algoritmos
Antes de empezar, vamos a ubicar dónde se encuentra el Machine Learning. Como hemos dicho, es una rama de la inteligencia artificial que se base de grandes conjuntos de datos (bigdata) y de algoritmos para resolver problemas de una forma muy similar a un cerebro humano, y con un margen de error muy bajo. Vamos por partes.
- La inteligencia artificial es una capacidad que tiene una computadora para resolver problemas. Y lo hace gracias a unos algoritmos diseñados para solucionar problemas concretos.
- Un algoritmo no es más que una secuenciación lógica para solucionar un problema. Es decir, unas instrucciones, para que nos entendamos, de unas acciones para llegar a una solución.
Puede parecer todo muy futurístico, pero no estamos hablando de una tecnología nueva. La Inteligencia Artificial nació a mediados del siglo XX. Sin embargo, era una tecnología muy limitada a resolver problemas demasiado concretos, sin muchas aplicaciones en el mundo real. Eso no quita importancia a sus tempranos hitos. Por ejemplo, en 1966 se lanzó Elisa, el primer chatbot que respondía con lenguaje.
Sin embargo, en las últimas décadas, los avances de la Inteligencia Artificial se han multiplicado y esto se debe a dos factores: la gran capacidad para procesar de los ordenadores, sobre todo gracias a las tarjetas gráficas, y el acceso a un número ilimitado de datos, que se generan en las redes sociales, el uso de aplicaciones y páginas web. Hoy en día, la Inteligencia Artificial ya no es cosa de ficción.
Todo ello explica los avances de la inteligencia artificial y de aquí que podamos hablar de Machine Learning, y hasta de Deep Learning! La inteligencia artificial está en el día a día de las grandes empresas como Netflix o Facebook, perdón, Meta. Por lo tanto, nostras, las personas que usamos estas aplicaciones, estamos en contacto a diario con la IA.
Machine Learning y Deep Learning
Empezamos por el principio: una de las técnicas que utiliza la inteligencia artificial es el Machine Learning y un tipo de Machine Learning es el Deep Learning. Podríamos decir que es la versión avanzada del Machine Learning.
La tecnología Deep Learning consiste en entrenar a algoritmos para que sean inteligentes. Es decir, que puedan resolver problemas y desarrollar correctamente tareas específicas. Pero esto ya es lo mismo que la IA, ¿verdad? Sí, pero la diferencia es como lo consigue y la mejora en los resultados. Y aquí hablamos de las redes neuronales, para Machine Learning, y las redes neuronales profundas, para Deep Learning.
Las redes neuronales artificiales
Una red neuronal artificial es un modelo de computación basado en el funcionamiento de un cerebro humano. Vamos por partes. Un modelo de computación se encarga de computar, valga la redundancia, es decir, operar. En el fondo, una red neuronal artificial está formada por nodos que están conectados entre ellos. Cada nodo tiene asignado un valor (también se le llama peso) que multiplica el valor de entrada. Según el resultado, lo envía a otro nodo, que también multiplica el valor de entrada por su peso, pasando así la información por la red neuronal artificial. Al final tendremos un valor de salida: una cifra que será la solución al problema. La imagen nos va a ayudar a entenderlo mejor.
Esta red tiene una profundidad de capas por niveles. Vemos una capa de entrada, por donde entra la información, muchísimas capas ocultas y la capa de salida. Es por ello que también se denomina deep neural network. La profundidad de capas nos permite procesar información más compleja. La imagen nos ayudará a entenderlo.
Por ejemplo, una red neuronal tiene de entrada una foto de un pájaro, los valores de los píxeles de la imagen son la información que entra en la capa de entrada, los pesos servirán para multiplicar los valores y pasarlos entre nodos por las capas de la red neuronal.
Seguro que habéis llegado al quid de la cuestión: ¿cómo lo hace para asignar a cada peso el valor correcto que hará que el valor de salida corresponda con la respuesta correcta? Bien, vamos a tener que hablar de como aprende esta red neuronal artificial.
Aprendizaje supervisado y no supervisado
Para que esta red neuronal funcione y ajuste los miles y miles de nodos que la conforma necesita aprender. Lo puede hacer de varias maneras, sin embargo, lo importante es que lo hace de una forma autónoma. Es decir, nadie se encarga de ajustar nodo por nodo. De hecho, las personas desconocemos hasta cierto punto como lo hace la red neuronal artificial para aprender, y esta es la verdadera magia de la inteligencia artificial. Vamos a repasar dos métodos de aprendizaje.
Aprendizaje supervisado
Siguiendo con nuestro ejemplo del pájaro, al principio, la red neuronal tendría asignados valores aleatorios a cada nodo y el objetivo es que de con los correctos que computen la solución correcta a la salida.
Entonces, una forma de entrenarla sería darle miles y miles de fotos de pájaros etiquetadas. La red neuronal artificial se encargaría de procesar la información y ver la diferencia entre el valor de salida y el valor correcto, la etiqueta. De esta manera irá ajustando los pesos para que computen el resultado “pájaro”. Esto lo puede hacer porque trabaja con conjuntos de datos etiquetados (trainning set). Después de un cierto tiempo, será capaz de identificar un perro con poco margen de error.
Aprendizaje no supervisado
En este caso, la red neuronal no trabaja con conjuntos de datos etiquetados, sino que analiza conjuntos de datos y extrae sus propias conclusiones. Un ejemplo de ello serían los algoritmos de clustering, que encuentran subgrupos entre un gran conjunto de datos.
La fiebre de los datos
Y aquí entra el big data, la obsesión actual por acumular datos y datos. Continuando con nuestro ejemplo, para que nuestra red aprenda a identificar pájaros le vamos a tener que dar de comer con miles y miles de fotos de pájaros etiquetados. Quizás ahora entiendes por qué algunos códigos captcha te hacen señalar los semáforos, puede que, sin saberlo, estés enseñando a conducir a un coche automático como un Tesla.
